#
from sklearn import tree
from matplotlib import pyplot as plt
data = [[5.1, 3.5, 1.4, 0.2],  #1
        [4.9, 3.0, 1.4, 0.2],  #2
        [4.7, 3.2, 1.3, 0.2],  #3 Первая пятерка цветочков наших(setosa)
        [4.6, 3.1, 1.5, 0.2],  #4
        [5.0, 3.6, 1.4, 0.3],  #5
       
        [5.6, 2.9, 3.6, 1.3],  #6
        [6.7, 3.1, 4.4, 1.4],  #7
        [5.6, 3.0, 4.5, 1.5],  #8 Второй ряд (versicolor)
        [5.8, 2.7, 4.1, 1.0],  #9
        [6.2, 2.2, 4.5, 1.5],  #10
       
        [6.0, 2.2, 5.0, 1.5],  #11
        [5.6, 2.8, 4.9, 2.0],  #12
        [7.7, 2.8, 6.7, 2.0],  #13 Третий ряд (virginica)
        [6.3, 2.7, 4.9, 1.8],  #14
        [6.7, 3.3, 5.7, 2.1]]  #15
classes = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2]
data2 = [[6.9, 3.2, 5.7, 2.3],
         [5.0, 3.6, 1.4, 0.3],
         [5.4, 3.9, 1.7, 0.4],
         [5.1, 3.7, 1.5, 0.4],
         [4.6, 3.6, 1.4, 0.2],
         [5.1, 3.3, 1.7, 0.5],
         [4.8, 3.4, 1.9, 0.2],
         [5.0, 3.0, 1.6, 0.2],
         [5.0, 3.4, 1.6, 0.4],
         [5.0, 3.3, 1.4, 0.2],
         [7.0, 3.2, 4.7, 1.4],
         [6.4, 3.2, 4.5, 1.5],
         [6.9, 3.1, 4.9, 1.5],
         [5.5, 2.3, 4.0, 1.3],
         [6.3, 3.3, 4.7, 1.6],
         [4.9, 2.4, 3.3, 1.0],
         [6.6, 2.9, 4.6, 1.3],
         [6.3, 2.5, 5.0, 1.9],
         [6.5, 3.0, 5.2, 2.0],
         [6.2, 3.4 ,5.4 ,2.3]]
decision_tree = tree.DecisionTreeClassifier()
decision_tree.fit(data, classes)
test = decision_tree.predict(data2)
print(test) # Т..е  здесь она заканчивает счет
#И вот тут должен быть цикл между ними,которой посчитает колиичество повторяющихся элементов и отдаст их нормально таблицы
#график 
labels = ['setosa', 'versicolor', 'virginica']
count =  [6, 3, 7] #Тут должен быть резутат таблицы( Т.е. сколько цветочков первого вида,сколько второго)
indexes = range(len(count))
fig, ax = plt.subplots()
bars = plt.bar(indexes, count, align='center')
plt.title('Iris flowers distribution', color ='green')
plt.ylabel('Count')
ax.set_xticks(indexes)
ax.set_xticklabels(labels)
plt.show()